
コーディングエージェントのソフトウェアファクトリーは、プロンプトチェーンだけでは作れない
【発端】 プロンプトチェーンは、規模が出ると作り直しになる

最初は動く仕組みでも、組織で使い続ける基盤としては足りなくなる、という話です。
最近、Warpの創業者Zach Lloydさんの記事「Don't vibe code your software factory」を読みました。X上の記事で、公開は2026年11月4日です。
原文は こちら にあります。
「クラウド上のコーディングエージェントをプロンプトでつなげば、ソフトウェアファクトリーはできる」という見方があります。Lloydさんはこれに、多くの顧客と仕事をしてきた経験から「そうではない」と答えています。
最初はその方法で始めた会社が、規模が出たあとで後悔するそうです。
問題を「エージェントの賢さ」ではなく「ソフトウェアファクトリーの作り方」に置いたところが面白いです。何をコードで決め、何を測れば、エージェントの運用が改善できる対象になるのか。
この記事では、その部分を製品紹介から離して整理します。
なおLloydさんはWarpの人で、記事にも自社製品Warp Factoriesの話が出ます。ここでは製品の機能ではなく、考え方だけを扱います。
【基礎】 ソフトウェアファクトリーとは、測って直せるエージェント基盤
エージェントを何体動かすかではなく、動かした結果を比べて直せるかどうかがソフトウェアファクトリーの条件です。
原文は「ソフトウェアファクトリー」を、組織全体でコーディングエージェントを動かすための、クラウド上の、測れて改善できる仕組みと定義しています。コーディングエージェントとは、コードを読み書きし、テストを回し、プルリクエスト(PR)まで作るAIのことです。
「測れて改善できる」の部分が大事です。一度動けば終わりではなく、品質と費用を見ながら設定を変えていく対象として扱います。
原文は、そのために必要なレイヤーを積み重ねとして描いています。下から順に、ソフトウェアファクトリーの定義、仕事を流す実行のレイヤー、測定と改善のレイヤー、そして仕事の出入り口です。
この記事も同じ順で進みます。
【違い】 プロンプトチェーンは動かし、ソフトウェアファクトリーは動かして比べる

違いは「できることの数」ではなく、結果を記録して別の設定と比べられるかにあります。
プロンプトチェーンでは、手順がプロンプトの文面に散らばります。どの設定がなぜ役に立っているのかは、人の頭の中にしか残りません。
次の一覧は、原文の主張を私が軸で並べ直したものです。
設定の置き場所
プロンプトをつないだ構成:プロンプトや各ツールの画面に分散
ファクトリーとして作った構成:コードとして一か所にまとまる
失敗したとき
プロンプトをつないだ構成:最初からやり直しになりやすい
ファクトリーとして作った構成:途中から再開できる設計にする
良し悪しの判断
プロンプトをつないだ構成:感覚と、その場の確認
ファクトリーとして作った構成:記録した実行結果を採点し、設定間で比べる
仕事の入口
プロンプトをつないだ構成:専用の入力画面を足しがち
ファクトリーとして作った構成:SlackやJiraなど既存の道具から入る
求められる水準
プロンプトをつないだ構成:試作の水準
ファクトリーとして作った構成:監査ログや安全性を含む、製品と同じ水準
原文は、ソフトウェアファクトリーを使う会社が求めるものとして、おかしくなりにくさ、改善しやすさ、低い待ち時間、既存ツールとの深い連携、設定の細かさ、測定、監査ログ、セキュリティを挙げています。
【仕組み】 コードで決め、動かし、記録して直す

土台は「ソフトウェアファクトリーのコード」です。実行はそのコードを読んで仕事を流し、計測はその記録を使って次のコードを変えます。
1. ソフトウェアファクトリーをコードで定義する
原文は、ソフトウェアファクトリーで仕事をするのに必要なものを、すべてコードに書くことを土台に置いています。対象は次のとおりです。
エージェントへの指示:プロンプト
手順:ワークフロー
外部接続:MCP(AIが外部の道具やデータにつながるための共通規格)
再利用できる手順書:スキル
実行環境:実行環境(ランナー)の設定
連携と自動化:各サービスとの接続設定、自動実行
測定の仕組み:評価、ベンチマーク
原文は、これを「会社のコーディングエージェントの仕事を対象にしたTerraform」にたとえています。Terraformは、インフラの構成をコードで書いて管理する道具です。
コードにすると、設定を変えた結果を体系的に試せます。たとえば「フロントエンドの仕事ならオープンウェイトのモデル(重みが公開されたモデル)で足りるか」「このスキルは品質に役に立っているのか、トークンを無駄にしているだけか」を確かめられます。
エージェント自身に設定の変更案を出させることもでき、これが自己改善の前提になります。
2. オーケストレーションで仕事を流す
コードがあっても、それを読んで仕事を動かすレイヤーが要ります。原文は、このレイヤーが次を担うと整理しています。
現在のバージョン(実験なら別ブランチ)のコードを読む。
必要な隔離環境(サンドボックス)を、速く確実に立ち上げる。
モデルと実行ツール(ハーネス)の設定に合わせて、エージェントに仕事を割り振る。
ソフトウェアファクトリーのコードに沿って、エージェントに仕事を進めさせる。
成果物と実行の記録を、残る場所に保存する。
必要なときに人を呼び、引き継ぎや軌道修正ができるようにする。
Sentry、GitHub、Jira、Slackなどと連携する。
人間のSSH環境とは別に、エージェントには別の権限を与える場合もあります。たとえば人は環境内の秘密情報に触れても、エージェントは触れないようにする、といった区切りです。
3. 計測と改善が、いちばん見落とされる
原文が「最も見落とされやすい」と呼ぶのが、ここです。仕事を処理するだけでなく、ソフトウェアファクトリーそのものを良くする作業を、原文は「ファクトリー・エンジニアリング」と呼びます。
土台は二つです。ソフトウェアファクトリーのコードと、エージェントとの会話の保存です。
会話の記録だけでは足りず、PR、動画、スクリーンショットなどの成果物も残します。
その上に、五つの道具が載ります。
オンライン評価:LLMを審査役にして、過去の実行を採点する。
自己改善のループ:評価結果を見て、ソフトウェアファクトリーのコードの改善点を探す。
ベンチマーク:同じ仕事を元の状態から、別の設定で再実行して比べる。
モデルの振り分け:評価の結果を、仕事ごとのモデル選びに反映する。
A/Bテスト:改善が本当に役に立つかを、分割して確かめる。
4. 過去の仕事の再生では、当時の状態まで残す
過去のバグ修正をそのまま再生しても、タスク管理ツールではすでに「完了」になっているかもしれません。これは、実務で見落としやすい具体的な点です。
それでは、元の状況での実験になりません。
原文は、再生をできるだけ外部から切り離し、前の実行が残した副作用も考慮せよと言います。そのためには、タスク管理ツールの元の状態も記録しておき、再生のときに戻す必要があります。
つまり、記録すべきは会話だけではなく、仕事を取り巻く環境の状態です。
【具体例】 Sentryのクラッシュ対応に、決めごとは四束ある

一見単純な「エラーを直す」仕事でも、コードに書くべき項目は意外なほど多くなります。
原文は、Sentry(エラー監視サービス)からサーバーのクラッシュを受け取り、調査して直すソフトウェアファクトリーの仕事を例にしています。決めることは、大きく四つに分かれます。
連携:どのWebhookとペイロードを受けるか。認証はどうするか。どのワークフローを起動するか
ワークフロー:調査だけか自動修正までか。人を呼ぶか。仕様書は要るか。PRの作者は誰で、誰がレビューするか。何回レビューし、どう正しさを確かめるか
実行設定:どこで走らせるか。サンドボックスと道具、触れるリポジトリ、必要なMCPと認証。どのモデルとハーネスを使い、どう振り分けるか
データ:生成物をどこに保存するか。手作業の調査と比べて費用に見合うか。どう改善するか
プロンプトチェーンだと、これらの多くは「誰かが暗黙に決めたこと」のまま残ります。コードにすると、レビューでき、変更の履歴が残り、別の設定と比べられます。
【関連概念】 入口、耐久性、検証の三つを広げる

記事の主張を実務に落とすと、入口の設計、途中再開、評価の信頼性の三つの論点が出てきます。
入口は既存の道具に置く
原文は、仕事をSlack、Teams、Jira、Linear、GitHub、GitLabなど、すでにある道具から流し込む設計を選んでいます。大きな入力欄のある専用のWebアプリを作る会社は多いものの、全員に新しいアプリへ移ってもらう必要があるため、定着しにくいという見立てです。
ソフトウェアファクトリーは、画面を持たない基盤(ヘッドレス)として、APIとMCPを中心に作ります。その代わり、連携の質を保つ負担が増えます。
権限の管理がその例です。Slackに入れる人が、SREチーム向けのソフトウェアファクトリーを使ってよいとは限りません。
SlackとJiraでは、エージェントが「考え中」であることの見せ方も違います。
途中で止まっても、やり直さない
エージェントが途中で落ちたとき、続きから再開できるでしょうか。GitHubが止まったとき、妥当な再試行をするでしょうか。
原文は、チェックポイントと耐久性を設計に入れることを勧め、Temporalを例に挙げています。
Temporalは、実行履歴を保存し、障害のあとに最後に記録した地点から再開できるようにする、耐久実行(durable execution)の基盤です。公式ドキュメント に概要があります。
AIエージェントとの組み合わせ方は、Pydantic AIの資料 が参考になります。
採点と正しさの確認は、別の問題
オンライン評価ではLLMを審査役にします。この方法は、エージェントを審査役にする研究の整理 のように研究も進んでいます。
ただし、元記事への返信には、実行記録とLLMの採点は「ソフトウェアファクトリーが何をしたか」を示すものの、「正しかったか」までは保証しない、という重要な指摘がありました。エージェントが自分のテストを弱められるなら、緑のチェックは簡単に得られます。
別の返信では、最初に提案されたPRと、最終的にマージされたコードの差分も、信頼できる改善の手がかりになると述べられていました。
これらは原文の主張ではなく、読者の意見です。ただ、計測の設計を考えるときの有用な手がかりになります。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
関連記事
【まとめ】 まず一つの仕事を書き出して、測る

最初から大きなソフトウェアファクトリーを作る必要はありません。一つの仕事について、決めごとと測り方を書き出すところから始められます。
私自身がこの構成を試したわけではありません。ここからは、原文の考え方を使った読者向けの試し方の提案です。
自社で繰り返しているエージェント向けの仕事を一つ選びます。たとえばエラー対応です。
上の四つの束(連携、ワークフロー、実行設定、データ)に沿って、いま暗黙になっている決めごとを書き出します。
その仕事の「良し悪し」を測る観点を二つ決めます。費用と、レビューでの差し戻し率などです。
実行を再生する場合に備え、仕事の入口にあるチケットなどの状態も一緒に記録できるかを確認します。
仕事の入口を、すでに皆が使っている道具に置けるかを考えます。
書き出すだけでも、プロンプトチェーンのどこが暗黙のまま運用されているかが見えてきます。